Platform for compound prioritization based on transcription factor activity

Αθανασόπουλος, Κωνσταντίνος

dc.contributor.author	Αθανασόπουλος, Κωνσταντίνος
dc.date.accessioned	2021-04-07T07:22:29Z
dc.date.available	2021-04-07T07:22:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53309
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21007
dc.rights	Default License
dc.subject	Μεταγραφικοί παράγοντες	el
dc.subject	Ανάπτυξη φαρμάκων	el
dc.subject	Καρκίνος	el
dc.subject	Βαθία εκμάθηση	el
dc.subject	Χημικές ενώσεις	el
dc.subject	Transcription factors	en
dc.subject	Drug discovery	en
dc.subject	Cancer	en
dc.subject	Deep learning	en
dc.subject	Compounds	en
dc.title	Platform for compound prioritization based on transcription factor activity	en
dc.contributor.department	ΤΟΜΕΑΣ ΜΗΧΑΝΟΛΟΓΙΚΩΝ ΚΑΤΑΣΚΕΥΩΝ ΚΑΙ ΑΥΤΟΜΑΤΟΥ ΕΛΕΓΧΟΥ - Εργαστήριο Βιοϊατρικών Συστημάτων	el
heal.type	bachelorThesis
heal.secondaryTitle	Πλατφόρμα ορισμού προτεραιότητας για χημικές ενώσεις με βάση τη δραστηριότητα παραγόντων μεταγραφής	el
heal.classification	Βιοϊατρικά Συστήματα	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-16
heal.abstract	Στη πρώτα στάδια ανακάλυψης φαρμάκων, όταν και οι επιστήμονες έρχονται αντιμέτωποι με την επιλογή δραστικών ουσιών, η εναπόθεση προτεραιότητας σε ορισμένες χημικές ενώσεις, που θα έχουν την απαραίτητη βιολογική συμπεριφορά, θα μπορούσε να είναι καίρια. Στην παρούσα μελέτη, αναπτύχθηκε ένα μοντέλο το οποίο αξιολογεί την βιολογική συμπεριφορά άγνωστων χημικών ενώσεων και επιλέγει ενώσεις που πιθανότατα θα εμφανίζουν τα επιθυμητά βιολογικά χαρακτηριστικά, με γνώμονα τη δράση μεταγραφικών παραγόντων. Για την μοντελοποίηση του προβλήματος, οι διαφορές μεταξύ ενώσεων μαθηματικοποιήθηκαν ως αποστάσεις σε λειτουργικό επίπεδο και αναπαραστάθηκαν από μία τιμή αντίστοιχα. Στο μοντέλο έχει ενταχθεί πλήθος κριτηρίων αξιολόγησης των ουσιών με σκοπό τον ακριβέστερο εντοπισμό κατάλληλων χημικών ενώσεων. Ταυτόχρονα γίνεται χρήση ενός μοντέλου βαθιάς εκμάθησης για τον προσδιορισμό των βιολογικών αποστάσεων αγνώστων ουσιών από την επιθυμητή συμπεριφορά. Συνολικά, το μοντέλο αποδείχθηκε ικανό να αναγνωρίζει και να θέτει προτεραιότητα σε χημικές ενώσεις, οι οποίες προσεγγίζουν την απαιτούμενη βιολογική δράση, με μεγάλη ακρίβεια.	el
heal.abstract	Prioritizing chemical structures based on their exhibition of desired biological behaviors could be of great significance in the early stages of drug discovery. In this study, a platform was developed that screens unknown compounds and selects chemical structures that are most likely to display sought after biological effects, based on their transcription factor activity. To make this possible, the compound differences were translated into compound distances on biological and structural levels and assigned a numerical value accordingly. The model incorporates several criteria to evaluate the known and unknown chemical structures and allocate the ones that approximate the required biological effect. Most importantly, the platform makes use of a deep learning model to predict the biological distances of the unknown compounds and map their effect. The proposed model was able to select unknown compounds that portrayed desired biological activity with high precision and accuracy.	en
heal.advisorName	Αλεξόπουλος, Λεωνίδας	el
heal.committeeMemberName	Αλεξόπουλος, Λεωνίδας	el
heal.committeeMemberName	Κυριακόπουλος, Κωνσταντίνος	el
heal.committeeMemberName	Προβατίδης, Χριστόφορος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Μηχανολογικών Κατασκευών και Αυτομάτου Ελέγχου	el
heal.academicPublisherID	ntua
heal.numberOfPages	54 σ.	el
heal.fullTextAvailability	false